Expérien es

Le par ours hoisi pour testerla validité de notre appro he est donné gure 4.1. Ce par- ours est hoisi enraison de laprésen e de deuxroutes parallèleset deux arrefours qui font l'objetde sour esd'ambiguïtés ( as idéaux d'ambiguïtés).

Sur la gure 4.2, nous avons tra é les estimations données par le modèle odomètrique. L'in- onvénient majeurdel'odométrie ommeenl'avutoutaulongdu hapitre 1,estsadériveau oursdutemps dûauglissementdesroues,àl'imperfe tion desroutes (trous,bosses)...Cette dériveestbienreprésentéesur ettegure.Pourfaire fa eà ettedérive,ona souventre ours àun autre apteur (typiquement le GPS)pour re alerl'odométrie.

4.2.2.1 Expérien e 1 : lo alisation sans utilisation du GPS

Danslapremièreexpérien e(voirgure4.3), nousavonsutilisélesdonnéesGPSaudébut de l'essai (sur le premier arrefour) puis nous avons simulé un masquage pour le reste de l'expérien e.Enl'absen ed'informationdonnéeparleGPS,l'algorithmedelo alisationdevient un algorithme utilisant uniquement l'odométrie et la artographie. Nous remarquons, que malgrél'absen edesdonnéesGPS,lesestiméesdonnéesparleréseaubayésiensontpluspro hes des estimées GPS sauf sur une petite zone due à l'a umulation des erreurs odométriques. L'algorithme se rattrape dire tement après quelques itérations. Notons que sur ette gure, nousavons donné l'estimation laplus probable pour ne pas en ombrer la gure etrendre e

Fig.4.1 Vue globaledupar ours d'essai.Cepar ours est hoisivolontairement pour traiter l'ambiguïté fréquemment ren ontréedans le asd'unejon tion de routes etroutesparallèles.

Fig. 4.3  Utilisation des réseaux bayésiens pour l'estimation des positions du véhi ule. La zoneentourée montre bienl'a umulation deserreurs dueà l'utilisation de l'odométrie.

4.2.2.2 Expérien e 2 : situation d'ambiguïté dans le as de routesparallèles

Dans ette deuxième expérien e, nous voulons montrer omment notre réseau bayésien gèreles situationsd'ambiguïtés. Pour simulerle masquagedesdonnées GPSdansles milieux urbains,nousmasquons les donnéesGPS par intermitten e.

DumomentquelesdonnéesGPSnesontpasutilisées,l'in ertitudeautourdel'estiméedonnée par l'odométrie augmente et par onséquent le Système d'Information Géographique (SIG) séle tionnelessegmentsdansunrayonplusgrand.De efait,unouplusieurs asd'ambiguïtés apparaissent.

Dans le as de la gure 4.4, on est en présen e de deux routes parallèles, e qui est un as typique d'ambiguïté. Le réseau bayésien gère plusieurs segments sur plusieurs pas de temps jusqu'à la présen e des données plus pré ises du GPS qui rendent l'in ertitude autour de l'estiméeminime.Notonsquedanstoutes nosexpérien es,n'apasététenu omptedusensde ir ulation.

La gure 4.5 donne plus de détails sur la zone d'ambiguïté de la gure 4.4. Le segment le plus probable dans haque étape est représenté en pointillés. La distribution de probabilités de haque segment estdonnéepar letableau 4.2.

i Segments

P (Segi)

1 Seg₁, Seg₂ P (Seg₁) = 0.20, P (Seg₂) = 0.79

2 Seg₁, Seg₂ P (Seg₁) = 0.20, P (Seg₂) = 0.79

3 Seg₁, Seg₂, Seg₃ P (Seg₁) = 0.10, P (Seg₂) = 0.71, P (Seg₃) = 0.18

4 Seg₁, Seg₂, Seg₃, Seg₄ P (Seg₁) = 0.06, P (Seg₂) = 0.64, P (Seg₃) = 0.15, P (Seg₄) = 0.14

Tab.4.2 Détaildupro essusd'inféren e donnépar leréseau bayésienpour haque segment de route:routes parallèles(voirles hémade lagure4.5)

Fig.4.4Gestiondel'ambiguïtédansle asd'unerouteparallèletraitéparleréseaubayésien.

Fig.4.5Détailsurlazone:routeparallèledelagure4.4.Lesegmentenpointilléreprésente lesegment leplusprobable.

4.2.2.3 Expérien e 3 : situation d'ambiguïté dans le as d'une jon tion de route

Dans ettetroisièmeexpérien e,nousvoulonsmontrer ommentnotreréseaubayésiengère les situations d'ambiguïtés dans le asd'une jon tion de route souvent ren ontrée à lasortie d'un arrefour.

Pour simulerlemasquagedesdonnéesduGPS,nous essonsd'utiliser esdonnéesjusteavant la jon tion de route (voir la gure 4.6). En absen e d'information pré ise, l'algorithme de lo alisationn'utiliseplus quel'odométrie etla artographie uniquement.L'in ertitude autour de l'estimée augmente, e qui ontraint le réseau bayésien à gérer plusieurs segments sur plusieurs pas de temps jusqu'à la présen e des données du GPS qui rendent l'in ertitude autourde l'estimée minime etpar onséquent lenombrede segments andidats diminue. Lagure4.7donneplusdedétailsurlazoned'ambiguïtédelagure4.6.D'aprèsletableau4.2, on peutremarquer parmi les diérentes hypothèses (segments andidats), le réseau bayésien a orde uneplus grandeprobabilité au bonsegment.

Fig. 4.6  Gestion de l'ambiguïté dans le as d'une jon tion de route traité par le réseau bayésien.

i Segments

P (Seg_i)

1 Seg₁, Seg₂, Seg₃, Seg₆ P (Seg₁) = 0.08, P (Seg₂) = 0.13, P (Seg₃) = 0.14, P (Seg₆) = 0.65

2 Seg₂, Seg₃, Seg₆ P (Seg₂) = 0.07, P (Seg₃) = 0.18, P (Seg₆) = 0.74

3 Seg₃, Seg₄, Seg₆ P (Seg₃) = 0.13, P (Seg₄) = 0.15, P (Seg₆) = 0.72

4 Seg₄, Seg₅, Seg₆ P (Seg₄) = 0.2, P (Seg₅) = 0.11, P (Seg₆) = 0.69

5 Seg₅, Seg₆ P (Seg₅) = 0.28, P (Seg₆) = 0.71

Tab.4.3 Détaildupro essusd'inféren e donnépar leréseau bayésienpour haque segment de route:jon tion de route(voir les héma delagure 4.7).

Fig. 4.7  Détail sur la zone : jon tion de route de la gure 4.6. Le segment en pointillé représentelesegment le plusprobable.

4.3 Résultats expérimentaux de la lo alisation d'un onvoi de véhi ule

Cettedeuxièmepartied'expérien es on ernelalo alisationd'un onvoidevéhi ules.Dans ettepartie,nousutilisonslesdonnéesréellesd'unessaiee tuésurlapla eStanislasdeNan y. Avant deprésenterlesexpérien es,nous ommençonspar donnerune des riptiondétailléesur levéhi ulede tête utilisé.